商业自动化多代理
AI Skill Hub 推荐使用：商业自动化多代理 是一款优质的Agent工作流。AI 综合评分 7.5 分，在同类工具中表现稳健。如果你正在寻找可靠的Agent工作流解决方案，这是一个值得深入了解的选择。
📚 深度解析
商业自动化多代理 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 7.5 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
商业自动化多代理 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
商业自动化多代理 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：pip 安装（推荐）
pip install business-automation-multi-agents
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install business-automation-multi-agents
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/luckup/business-automation-multi-agents
cd business-automation-multi-agents
pip install -e .
# 验证安装
python -c "import business_automation_multi_agents; print('安装成功')"
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 命令行使用
business-automation-multi-agents --help
# 基本用法
business-automation-multi-agents input_file -o output_file
# Python 代码中调用
import business_automation_multi_agents
# 示例
result = business_automation_multi_agents.process("input")
print(result)
# business-automation-multi-agents 配置文件示例（config.yml） app: name: "business-automation-multi-agents" debug: false log_level: "INFO" # 运行时指定配置文件 business-automation-multi-agents --config config.yml # 或通过环境变量配置 export BUSINESS_AUTOMATION_MULTI_AGENTS_API_KEY="your-key" export BUSINESS_AUTOMATION_MULTI_AGENTS_OUTPUT_DIR="./output"
Multi Agent for Business Automation
Multi Agent for Business Automation is a multi-agent orchestration platform for business automation and decision support. It coordinates specialized AI agents—each with distinct roles, personalities, and tools—through LangGraph workflows, shared memory, and human-in-the-loop (HITL) approval gates.
The system targets end-to-end business workflows: vision capture, planning, domain analysis (finance, marketing, legal), report generation, and optional integrations with CRM and social channels.
---
Overview
| Layer | Description |
|---|---|
| **Frontend** | React 18 + Vite dashboard with chat onboarding, agent status, task flow visualization, and PRD compliance views |
| **API** | FastAPI backend with REST endpoints, WebSocket streaming, and modular route controllers |
| **Orchestration** | LangGraph state machines with checkpointing, self-correction, and HITL interrupt nodes |
| **Agents** | Role-specific agents (Cofounder, Manager, Finance, Marketing, Legal, Money, Sales) backed by personality profiles |
| **Memory** | Neo4j graph memory, Qdrant vector search, Redis/Upstash task queues, and multi-level local caching |
| **Integrations** | HubSpot CRM, Slack notifications, Instagram marketing (with compliance engine) |
---
Features
- Specialized agents with configurable personality profiles (temperature, confidence thresholds, role tools)
- LangGraph orchestration with state checkpointing, error recovery, and execution path tracking
- Human-in-the-loop approval flows with Slack notification hooks and timeout configuration
- Unified memory — graph relationships (Neo4j), semantic retrieval (Qdrant), and Redis-backed task queues with in-memory fallback
- Real-time monitoring — agent status, live logs, task flow visualization, and morning brief summaries
- Report generation — executive, marketing, financial, and comprehensive reports (JSON + PDF via WeasyPrint)
- External integrations — HubSpot CRM, Slack HITL channels, Instagram Business API with compliance checks
- Demo mode — local development without Supabase or external API keys (
DEMO_MODE=true)
---
Prerequisites
- Python 3.9 or later
- Node.js 18+ and pnpm (or npm)
- Docker Desktop (recommended for Neo4j, Qdrant, and Redis)
- At least one LLM API key (OpenRouter recommended) for non-mock inference
---
4. Install and run the backend
```bash python -m venv venv
5. Install and run the frontend
In a separate terminal:
cd frontend
pnpm install
pnpm devThe UI is available at http://localhost:5173. Vite proxies /api requests to the backend on port 8000.
---
Frontend build
cd frontend
pnpm build
pnpm preview---
Quick Start
3. Configure the backend
cd backend
cp .env.example .envEdit .env with your keys. For local exploration, keep demo mode enabled:
DEMO_MODE=true
OPENROUTER_API_KEY=your_key_here
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=agentflow123
QDRANT_URL=http://localhost:6333
PORT=8000For production-style integrations (Instagram, Slack, HubSpot, Upstash), see backend/.env.prd.example.
Configuration
| Variable | Purpose |
|---|---|
DEMO_MODE | Bypass Supabase; use in-memory auth for local dev |
OPENROUTER_API_KEY | Primary LLM provider |
OPENAI_API_KEY / GOOGLE_API_KEY | Fallback LLM providers |
SUPABASE_URL / SUPABASE_KEY | Production authentication |
NEO4J_URI / NEO4J_USER / NEO4J_PASSWORD | Graph memory |
QDRANT_URL / QDRANT_API_KEY | Vector memory |
REDIS_URL / UPSTASH_REDIS_REST_* | Task queue and caching |
HUBSPOT_ACCESS_TOKEN | CRM integration |
SLACK_BOT_TOKEN | HITL and notification channels |
INSTAGRAM_ACCESS_TOKEN | Marketing automation |
Memory and queue subsystems degrade gracefully when external services are unavailable—Redis falls back to an in-memory adapter, and LLM calls can use the mock provider.
---
API Surface
Key endpoint groups (full list in /docs):
| Prefix | Description |
|---|---|
/api/auth/* | Sign up, sign in, user profile |
/api/projects, /api/start-project | Project lifecycle |
/api/enhanced/* | Session-based agent workflows with live logs |
/api/agents/* | Agent listing and status |
/api/approvals/* | Pending HITL approvals |
/api/conversation/* | Direct agent chat |
/api/reports/* | Report generation and PDF download |
/api/memory/* | Graph export and memory statistics |
/api/analytics/* | Predictions and analytics |
/api/integrations/* | HubSpot, Slack, Instagram |
/api/prd/* | PRD compliance checks |
/api/morning-brief/* | Daily brief generation |
/api/shared-context/* | Cross-agent shared context |
| WebSocket | Real-time agent logs and status streams |
---
Workflow model
- Vision intake — The Cofounder agent captures and structures the user's project vision.
- Planning — The Manager agent produces a roadmap and delegates tasks across domain agents.
- Domain execution — Finance, Marketing, Legal, and other agents run in parallel or sequence as defined by the orchestrator.
- Quality & approval — Confidence scoring and HITL checkpoints pause execution when human review is required.
- Output — Results are persisted to shared memory, surfaced in the dashboard, and exported as HTML/PDF reports.
---
Run integration and auth tests
python test_auth.py
python test_integrations.py
python test_prd_compliance.pybusiness-automation-multi-agents 是一个专为业务自动化与决策支持设计的 Multi Agent 编排平台。该系统通过 LangGraph 工作流协调多个具有不同角色、性格和工具集的专业化 AI Agent，并集成了共享记忆机制与 Human-in-the-loop (HITL) 人机交互审批环节。系统涵盖了从愿景捕获、规划到领域分析（如财务、法律等）的全链路业务流程，旨在实现端到端的自动化执行。
本项目具备高度专业化的 Agent 配置能力，支持自定义性格特征（如 Temperature、置信度阈值及角色工具）。核心编排引擎基于 LangGraph，支持状态 Checkpointing、错误恢复及执行路径追踪。此外，系统内置了 Human-in-the-loop 审批流，可通过 Slack 通知钩子实现人工干预。在存储方面，通过 Neo4j 维护图关系、Qdrant 实现语义检索、Redis 处理布隆过滤器，构建了统一的记忆系统。
在开始开发前，请确保您的环境已安装 Python 3.9 或更高版本，以及 Node.js 18+ 和 pnpm（或 npm）。为了简化基础设施的部署，强烈建议使用 Docker Desktop 来运行 Neo4j、Qdrant 和 Redis 等中间件。此外，您需要准备至少一个 LLM API key（推荐使用 OpenRouter）以支持非模拟模式下的模型推理。
首先，在 backend 目录下创建虚拟环境并安装依赖。随后，进入 frontend 目录，使用 pnpm install 进行依赖安装，并通过 pnpm dev 启动前端开发服务器。前端 UI 将运行在 http://localhost:5173，并通过 Vite 代理将 /api 请求转发至 8000 端口的后端。如需构建生产版本，请使用 pnpm build 命令。
项目提供了快速启动模式。在本地探索阶段，您可以开启 DEMO_MODE=true 来跳过复杂的身份验证流程。系统支持通过 Web UI 进行交互，用户可以通过对话引导 Agent 完成任务，并实时查看 Agent 的状态、任务流可视化过程以及 PRD 合规性视图。
项目通过 .env 文件进行配置管理。开发者需根据需求配置 OPENROUTER_API_KEY 或 OpenAI/Google API Key 作为 LLM 供应商。对于生产环境，需配置 SUPABASE_URL/KEY 进行身份验证；对于本地开发，可利用 DEMO_MODE 简化流程。此外，Neo4j、Qdrant 和 Redis 的连接参数也需在环境变量中正确设置。
本项目提供了一套完整的 RESTful API 接口，详细文档可通过 /docs 查看。API 涵盖了多个功能模块：/api/auth 用于用户注册与登录；/api/projects 管理项目生命周期；/api/enhanced 提供基于 Session 的 Agent 工作流及实时日志流；/api/agents 则用于管理和调用各类专业化 Agent。
系统采用模块化的工作流模型：首先由 Cofounder Agent 进行 Vision intake，捕获并结构化用户的项目愿景；随后 Manager Agent 负责 Planning，制定路线图并将任务分发给各领域 Agent；最后进入 Domain execution 阶段，财务、市场、法律等专业 Agent 根据定义的逻辑并行或顺序执行任务，确保业务流程的严密性。
高质量的开源AI工作流平台
- 构建多智能体协作系统的 Agent 开发者
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- Python 依赖冲突：建议用 venv / uv 隔离环境
- Docker：business-automation-multi-agents 提供官方镜像，docker compose up 一键启动
- CLI：直接 npm install -g / pip install，命令行调用
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 构建多智能体协作系统的 Agent 开发者
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- Python 依赖冲突：建议用 venv / uv 隔离环境
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −未明确开源协议，商用场景需谨慎评估
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
该工具未明确声明开源协议，商业使用前请联系原作者确认授权范围，避免侵权风险。
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
🔗 相关工具推荐
❓ 常见问题 FAQ
总体来看，商业自动化多代理 是一款质量良好的Agent工作流，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。
| 原始名称 | business-automation-multi-agents |
| 原始描述 | 开源AI工作流：Multi Agent for Business Automation is a multi-agent orchestration platform for 。⭐4 · Python |
| Topics | agentbusiness-automationgraphllmmultipython |
| GitHub | https://github.com/luckup/business-automation-multi-agents |
| 语言 | Python |
收录时间：2026-05-29 · 更新时间：2026-05-30 · License：未公布 · AI Skill Hub 不对第三方内容的准确性作法律背书。